CN112149876A - 求解矩阵制造车间多自动轨道小车上料调度问题的人工蜂群算法 - Google Patents

求解矩阵制造车间多自动轨道小车上料调度问题的人工蜂群算法 Download PDF

Info

Publication number
CN112149876A
CN112149876A CN202010881510.XA CN202010881510A CN112149876A CN 112149876 A CN112149876 A CN 112149876A CN 202010881510 A CN202010881510 A CN 202010881510A CN 112149876 A CN112149876 A CN 112149876A
Authority
CN
China
Prior art keywords
solution
agv
algorithm
task unit
neighborhood
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010881510.XA
Other languages
English (en)
Other versions
CN112149876B (zh
Inventor
潘全科
邹温强
王玉龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN202010881510.XA priority Critical patent/CN112149876B/zh
Publication of CN112149876A publication Critical patent/CN112149876A/zh
Application granted granted Critical
Publication of CN112149876B publication Critical patent/CN112149876B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种求解矩阵制造车间多自动轨道小车上料调度问题的人工蜂群算法。在矩阵制造车间中，中心控制系统调度多辆自动轨道小车来给数控机床所在的单元上料。多辆自动轨道小车的合理优化调度能够为制造企业节约成本，并提高制造车间的生产效率。本发明提出了一种有效的人工蜂群算法，算法设计主要体现在：提出一种新的解的表示方法，用改进的最近邻启发式算法来生成一个优质初始解，设计5个邻域算子来提高算法的探索与开发能力，以及提出一个能够替换多次未进化解的基于随机插入的局部搜索方法。实验证明：与企业现行方法以及相似问题的解决方法相比，本发明提出的算法能够得到一个更为优秀的多自动轨道小车上料调度解决方案。

Description

求解矩阵制造车间多自动轨道小车上料调度问题的人工蜂群 算法
技术领域
本发明涉及一种求解多自动轨道小车(AGV)上料调度问题的智能优化算法，具体是一种适用于现代新型智能化制造车间的求解多AGV上料调度问题的有效的人工蜂群算法，可为具有矩阵式布局制造车间的生产企业提供有效的多AGV上料调度方案。
背景技术
随着人们对个性化产品的迫切需求以及智能化工业的快速发展，越来越多的生产企业采用矩阵式生产的理念来建设自己的生产车间。矩阵式生产车间即是通过个性化产品订单来配置生产单元，借助自动轨道小车(AGV)来搬运生成所需的物料，并将生产车间的物流系统和生产系统相分离的一种新型智能化生产车间。据相关资料显示，在产品的整个生产过程中，用于加工制造环节的时间仅占5％，其余95％则用于储存、装卸、等待加工和输送等环节。就成本而言，人工劳动成本在生产总成本中所占比例不足10％，随着生产车间的智能升级，这一比例还在呈现不断下降的趋势，而储存、装卸和运输等环节的费用却占生产总成本的40％。《中国制造2025》指出，“推进制造过程智能化”要“依托优势企业，紧扣关键工序智能化、关键岗位机器人替代、生产过程智能优化控制、供应链优化，建设重点领域智能工厂/数字化车间”。矩阵式生产车间是新型的智能化生产车间，而AGV又是该车间中搬运物料的关键机器人。因此，研究矩阵式布局生产车间的多AGV调度问题无疑对生产企业改造车间物流结构、降低车间物流成本和提升车间物流效率具有重要意义。
矩阵制造车间(如图2所示)目前受到越来越多制造型企业的青睐。在矩阵制造车间中，所有的CNC单元呈矩阵式排列，每个CNC单元含有若干CNC机床和一个储料缓冲池，CNC机床不停的消耗储料缓冲池中的物料，当储料缓冲池中的物料剩余量下降到警戒线时，CNC单元发送物料需求信号至中心控制系统(我们称此时的CNC单元为任务单元)，然后中心控制系统生成配送物料方案并派遣相应的AGV到相应的任务单元开始上料。目前大多企业采用“先叫先到”算法(FCFS)对AGV进行调度。“先叫先到”算法是指先发送物料需求信号给中心控制系统的CNC单元先给于AGV上料，这种方法已被企业证明不是一种有效的调度方法。为了解决问题，我们查阅了大量的文献并找到了与本问题有诸多相似度的问题的解决方法，如改进的基因算法(IGA)、改进的和声算法(IHS)和混合果蝇算法(HFOA)，然后我们将这些算法应用到本问题中并得到了有效的调度方案。但是对于成本和利润优先的制造企业来说，优化还有进一步提升的空间。因此，本发明提出一种有效的人工蜂群算法，通过与上述方法相比，我们得到的调度方案得到了更大的优化。
发明内容
针对现有技术的不足，本发明的目的在于提供一种求解矩阵制造车间多自动轨道小车上料调度问题的人工蜂群算法，能直接应用于目前制造企业的矩阵制造车间中，解决AGV上料过程中的各项成本优化问题，尤其是解决了AGV运输距离成本问题、过早到达任务单元的惩罚成本问题和用车成本问题，显著提高作业效率。
为了解决上述技术问题,本发明采用如下技术方案：
一种求解矩阵制造车间多自动轨道小车上料调度问题的人工蜂群算法，其步骤如下：
(1)采用新的解的表示方法：
假设矩阵制造车间有n个任务单元和m辆AGV，将用长度为n+m-1的向量来表示解；在此向量中，1和n之间的n个自然数表示任务单元的编号，○表示仓库点，m-1个○表示每条AGV路线的起点，也是终点；任意两个相邻的AGV路线由○隔开；
(2)采用改进的最近邻启发式算法：
首先设定仓库点为AGV出发的起点和终点，然后选择一辆编号为1#的AGV，以仓库点为当前点搜索一个距离它最小的任务单元i，并将它插入到1#AGV路线的最前端，接下来以任务单元i为当前点寻找距离它最小的任务单元j，并将它插入到1#AGV路线的第二个位置；
以此类推，直到满足AGV的载重约束和任务单元的时间窗约束为止，将结束1#AGV路线的任务单元分配，并立即开始2#AGV路线的任务单元分配工作；当所有的任务单元分配到AGV们时，将得到一个解，即任务单元到AGV的分配方案；
(3)采用人工蜂群算法：
步骤31：利用改进的最近邻启发式算法生成一个高质量初始解，利用随机生成的方法，生成剩余的初始解；
步骤32：提出5个有效的邻域算子：合并邻域算子、路线内插入邻域算子、路线间插入邻域算子，路线内交换邻域算子和路线间交换邻域算子，来生成高质量的解；
步骤33：提出了一个基于随机插入的局部搜索方法，利用该方法使当前解在侦查蜂阶段进入一个更有希望的解空间搜索中。
优选地，在所述的步骤(1)中，用长度为n+m-1的向量来表示解，来区分各条AGV路线，进行各条AGV路线间的任务单元的邻域优化操作。
优选地，在所述的步骤(2)中，所有AGV都是从仓库出发，最后完成任务返回仓库；对于每个AGV来说，都是通过将距离当前任务单元最近的任务单元作为下一个服务的任务单元，如果符合AGV载重约束和任务单元的时间窗约束，则将其插入到AGV路线中，直到所有任务单元分配完成为止。
优选地，在所述的步骤31中，种群初始化策略是从平衡初始解的优质性和多样性角度出发，利用改进最近邻启发式算法，获得一个高质量的初始解，利用随机生成的方法生成剩余初始解。
优选地，在所述的步骤32中，邻域算法在雇佣蜂阶段和观察蜂阶段随机采用合并邻域算子、路线内插入邻域算子、路线间插入邻域算子、路线内交换邻域算子和路线间交换邻域算子中的任意一种进行邻域搜索，来获取更高质量的解。
优选地，在所述的步骤33中，利用基于随机插入的局部搜索方法，生成一个较好的解来替换种群中未改进次数最多的解，从而节约经典人工蜂群算法中随机生成的解进化成优质解的运算时间。
本发明与现有技术相比较，具有如下显而易见的突出实质性特点和显著的优点：
1.本发明方法是一种人工蜂群算法自动计算出满足全局优化、计算时间、解的质量、收敛速度等综合要求的一个最优解决方案；
2.与现有的一些算法相比，本发明方法避免了CNC单元中因缺少物料而停工的现象，降低了解决本问题的综合成本，包括AGV行驶距离成本、过早到达任务单元的惩罚成本以及AGV的用车成本等，从而显著提高了企业生产效率；另外，本项目的研究成果具有广大的市场应用前景。
附图说明
图1为本发明方法的人工蜂群算法流程图。
图2为本发明方法的矩阵制造车间布局图。
图3为本发明方法的最优综合成本值收敛图。
具体实施方式
本发明的优选实施例结合附图详述如下：
实施例一：参见图1和图2，一种求解矩阵制造车间多自动轨道小车上料调度问题的人工蜂群算法，操作步骤如下：
(1)采用新的解的表示方法：
假设矩阵制造车间有n个任务单元和m辆AGV，将用长度为n+m-1的向量来表示解；在此向量中，1和n之间的n个自然数表示任务单元的编号，○表示仓库点，m-1个○表示每条AGV路线的起点，也是终点；任意两个相邻的AGV路线由○隔开；
(2)采用改进的最近邻启发式算法：
首先设定仓库点为AGV出发的起点和终点，然后选择一辆编号为1#的AGV，以仓库点为当前点搜索一个距离它最小的任务单元i，并将它插入到1#AGV路线的最前端，接下来以任务单元i为当前点寻找距离它最小的任务单元j，并将它插入到1#AGV路线的第二个位置；
以此类推，直到满足AGV的载重约束和任务单元的时间窗约束为止，将结束1#AGV路线的任务单元分配，并立即开始2#AGV路线的任务单元分配工作；当所有的任务单元分配到AGV们时，将得到一个解，即任务单元到AGV的分配方案；
(3)采用人工蜂群算法：
步骤31：利用改进的最近邻启发式算法生成一个高质量初始解，利用随机生成的方法，生成剩余的初始解；
步骤32：提出5个有效的邻域算子：合并邻域算子、路线内插入邻域算子、路线间插入邻域算子，路线内交换邻域算子和路线间交换邻域算子，来生成高质量的解；
步骤33：提出了一个基于随机插入的局部搜索方法，利用该方法使当前解在侦查蜂阶段进入一个更有希望的解空间搜索中。
本实施例人工蜂群算法能直接应用于目前制造企业的矩阵制造车间中，解决AGV上料过程中的各项成本优化问题，尤其是解决了AGV运输距离成本问题、过早到达任务单元的惩罚成本问题和用车成本问题，显著提高作业效率。
实施例二：
本实施例与实施例一基本相同，特别之处如下：
在本实施例中，所述的步骤(1)中，用长度为n+m-1的向量来表示解，来区分各条AGV路线，进行各条AGV路线间的任务单元的邻域优化操作。
在本实施例中，所述的步骤(2)中，所有AGV都是从仓库出发，最后完成任务返回仓库；对于每个AGV来说，都是通过将距离当前任务单元最近的任务单元作为下一个服务的任务单元，如果符合AGV载重约束和任务单元的时间窗约束，则将其插入到AGV路线中，直到所有任务单元分配完成为止。
在本实施例中，在所述的步骤31中，种群初始化策略是从平衡初始解的优质性和多样性角度出发，利用改进最近邻启发式算法，获得一个高质量的初始解，利用随机生成的方法生成剩余初始解。
在本实施例中，在所述的步骤32中，邻域算法在雇佣蜂阶段和观察蜂阶段随机采用合并邻域算子、路线内插入邻域算子、路线间插入邻域算子、路线内交换邻域算子和路线间交换邻域算子中的任意一种进行邻域搜索，来获取更高质量的解。
在本实施例中，在所述的步骤33中，利用基于随机插入的局部搜索方法，生成一个较好的解来替换种群中未改进次数最多的解，从而节约经典人工蜂群算法中随机生成的解进化成优质解的运算时间。
本实施例方法是一种有效的人工蜂群算法，算法设计主要体现出：提出一种新的解的表示方法，用改进的最近邻启发式算法来生成一个优质初始解，设计5个邻域算子来提高算法的探索与开发能力，以及提出一个能够替换多次未进化解的基于随机插入的局部搜索方法。实验证明：与企业现行方法以及相似问题的解决方法相比，本实施例算法能够得到一个更为优秀的多自动轨道小车上料调度解决方案，具有产业应用价值。
实施例三：
本实施例与前述实施例基本相同，特别之处如下：
在本实施例中，一种求解矩阵制造车间多自动轨道小车上料调度问题的人工蜂群算法，操作步骤如下：
步骤1：根据某时间段内矩阵制造车间的CNC单元向中心控制系统发送物料需求的情况，采集仓库的所在位置、AGV出发时间、载重量和速度、储料缓冲池的库存以及各任务单元编号、位置、至仓库最短距离、发送物料需求的时间、叫料时缓冲库存和AGV最迟到达时间等信息集，物料需求的时间还称为叫料时间；
本实施例方法适用于一个仓库，多辆同型号AGV，求解目标是确定一个能够降低综合成本的最优调度方案，综合成本包括AGV行驶距离成本、过早到达任务单元的惩罚成本以及AGV的用车成本；
仓库坐标为(0,0)，AGV出发时间、载重量、速度、卸料用时分别是365s、250kg、1m/s和15s，各CNC单元间的横向和纵向距离分别为5.5m和8.8m，各个任务单元的其他属性信息如表1所示；
表1.本发明方法的矩阵制造车间算例数据表
Figure BDA0002654257180000051
Figure BDA0002654257180000061
步骤2：设置算法参数：种群大小PS＝150，预定义次数limit＝800，参数1：r＝80，参数2：τ＝20；对于表2中所示算例来说，其在算法中被运行20次，每次运行时间为5s；
步骤3：初始化种群，首先利用提出的改进最近邻启发式算法来生成一个高质量初始解，其他的初始解则被随机生成；
所有生成的初始解用πi(i＝1,2,...,PS)表示；通过使用改进最近邻启发式算法，获得表2中算例的调度方案，即AGV们从仓库出发，首先分配1#AGV，然后是2#AGV，直到所有任务分配到AGV中；每辆AGV的具体分配方案是：以仓库为当前点，寻找距离其最近的任务单元A，如果符合AGV载重约束和任务单元时间约束，那么将其插入到AGV路线中，然后以任务单元A为当前点，寻找距离其最近的任务单元B；以此类推，直到所有任务分配完成为止；
步骤4：计算各个初始解的综合成本值Ctotal，计算方法如下：Ctotal＝Cdist+Cpena+Cagv，其中Cdist、Cpena和Cagv分别为AGV行驶距离成本、过早到达任务单元的惩罚成本以及AGV的用车成本；
步骤5：执行算法在雇佣蜂阶段的操作，令πi为第i个雇佣蜂对应的解，如果解πi需要AGV的数量k多于车间期望的AGV数量k′，那么算法执行合并邻域算子来生成一个新解πnew，否则算法将从其他4种邻域算子中随机选择一个邻域算子来生成一个新解πnew，如果Ctotal(πnew)＞Ctotal(πi)，则用解πnew替换πi；否则，解πi未改变的次数(unchangi)自加1，目的是记录算法执行过Ctotal(πnew)＞Ctotal(πi)程中解πi的改进情况；
合并邻域算子：假设解πi中有k条AGV路线，车间期望的AGV数量为k′，将第k条AGV路线中的每一个任务单元尝试着插入到#1-#k′AGV路线中的最好位置，然后再测试第k-1条AGV路线中的每一个任务单元，直到第k+1条AGV路线的每一个任务单元被考虑为止；
路线内插入邻域算子：随机选择解πi中的一条AGV路线，然后在这条AGV路线中随机选择两个不同的位置p1和p2，将位置p2对应的任务单元A插入到位置p1，位置p1及p1之后的任务单元依次后移；
路线间插入邻域算子：随机选择解πi中的两条AGV路线，然后在这两条AGV路线中分别选择一个位置p1和p2，将位置p2对应的任务单元A插入到任务单元B所在的位置p1，位置p1及p1之后的任务单元依次后移；
路线内交换邻域算子：随机选择解πi中的一条AGV路线，然后在这条AGV路线中随机选择两个不同的位置p1和p2，将位置和p1位置p2对应的任务单元A和B互换，其他任务单元不变；
路线间交换邻域算子：随机选择解πi中的两条AGV路线，然后在这两条AGV路线中分别选择一个位置p1和p2，将位置p1和位置p2对应的任务单元A和B互换，其他任务单元不变；
步骤6：执行算法在观察蜂阶段的操作：
为了平衡算法在雇佣蜂阶段的全局探索和在观察蜂阶段的局部开发，将在此阶段执行算法多次而不是一次；算法将雇佣蜂阶段产生的解即新种群分享给观察蜂，然后算法采用锦标赛策略在种群中选择更好的解，即随机选择两个不同的解πi和πj,Ctotal(πi)和Ctotal(πj)值小者赢得了比赛；
步骤7：对赢得比赛的解，若为πj时，本实施例算法将采取邻域搜索策略来生成一个新解πnew，即随机选择一个邻域算子；
如果新解πnew好于解πj，那么解πj将被替代，否则解πj不变，但其对应的未改进次数unchangj自加1；另外，如果解πj优于迄今为止最好的解πbest,那么将解πj替换解πbest；
步骤8：执行算法在侦查蜂阶段的操作：
如果当前解πi的未改进次数unchangi超过了预定义次数800次，那么本实施例算法将在侦查蜂阶段对当前解πi进行一些改进；本实施例算法用提出的基于随机插入的局部搜索算法来生成一个解来替代解πi；对于上述局部搜索算法来说，本实施例的每一步都会随机选择一个任务单元，将其插入到当前AGV路线的最佳位置，当当前AGV路线不能接受新的任务单元时，算法将结束当前AGV路线的任务单元分配工作，并以相同方法开始一条新的AGV路线的任务单元分配工作，直到所有任务单元分配完成为止；
步骤9：如果算法执行完上述三个阶段后，运行时间仍未超过系统设置时间5s，那么本实施例算法将进入下一次迭代搜索，否则算法将结束当前运行，并记录迄今为止最好的解πbest；
如图3和表2所示，人工蜂群算法相对于其他比较算法来说，在解决本问题的综合成本方面都要优于比较的算法，综合成本方面,包括AGV行驶距离成本、过早到达任务单元的惩罚成本以及AGV的用车成本。
表2为本发明方法的算法实验结果
Figure BDA0002654257180000081
Figure BDA0002654257180000091
本实施例方法提供了解决矩阵制造车间多AGV上料调度问题的解决方法，相较于目前生产制造企业的现行方法以及相似问题的解决方法，提出的人工蜂群算法有了很大的进步。
综上所述，上述实施例求解矩阵制造车间多自动轨道小车上料调度问题的人工蜂群算法，在矩阵制造车间中，中心控制系统调度多辆自动轨道小车来给数控机床所在的单元上料。多辆自动轨道小车的合理优化调度能够为制造企业节约诸多成本，并提高制造车间的生产效率。因此，为了解决多辆自动轨道小车上料调度问题，上述实施例提出了一种有效的人工蜂群算法，算法设计主要体现在：提出一种新的解的表示方法，用改进的最近邻启发式算法来生成一个优质初始解，设计5个邻域算子来提高算法的探索与开发能力，以及提出一个能够替换多次未进化解的基于随机插入的局部搜索方法。上述实施例实验证明：与企业现行方法以及相似问题的解决方法相比，上述实施例提出的算法能够得到一个更为优秀的多自动轨道小车上料调度解决方案。
上面对本发明实施例结合附图进行了说明，但本发明不限于上述实施例，还可以根据本发明的发明创造的目的做出多种变化，凡依据本发明技术方案的精神实质和原理下做的改变、修饰、替代、组合或简化，均应为等效的置换方式，只要符合本发明的发明目的，只要不背离本发明的技术原理和发明构思，都属于本发明的保护范围。

Claims (6)

1.一种求解矩阵制造车间多自动轨道小车上料调度问题的人工蜂群算法，其特征在于，操作步骤如下：
(1)采用新的解的表示方法：
假设矩阵制造车间有n个任务单元和m辆AGV，将用长度为n+m-1的向量来表示解；在此向量中，1和n之间的n个自然数表示任务单元的编号，○表示仓库点，m-1个○表示每条AGV路线的起点，也是终点；任意两个相邻的AGV路线由○隔开；
(2)采用改进的最近邻启发式算法：
首先设定仓库点为AGV出发的起点和终点，然后选择一辆编号为1#的AGV，以仓库点为当前点搜索一个距离它最小的任务单元i，并将它插入到1#AGV路线的最前端，接下来以任务单元i为当前点寻找距离它最小的任务单元j，并将它插入到1#AGV路线的第二个位置；
以此类推，直到满足AGV的载重约束和任务单元的时间窗约束为止，将结束1#AGV路线的任务单元分配，并立即开始2#AGV路线的任务单元分配工作；当所有的任务单元分配到AGV们时，将得到一个解，即任务单元到AGV的分配方案；
(3)采用人工蜂群算法：
步骤31：利用改进的最近邻启发式算法生成一个高质量初始解，利用随机生成的方法，生成剩余的初始解；
步骤32：提出5个有效的邻域算子：合并邻域算子、路线内插入邻域算子、路线间插入邻域算子，路线内交换邻域算子和路线间交换邻域算子，来生成高质量的解；
步骤33：提出了一个基于随机插入的局部搜索方法，利用该方法使当前解在侦查蜂阶段进入一个更有希望的解空间搜索中。
2.如权利要求1所述求解矩阵制造车间多自动轨道小车上料调度问题的人工蜂群算法，其特征在于：所述的步骤(1)中，用长度为n+m-1的向量来表示解，来区分各条AGV路线，进行各条AGV路线间的任务单元的邻域优化操作。
3.如权利要求1所述求解矩阵制造车间多自动轨道小车上料调度问题的人工蜂群算法，其特征在于：所述的步骤(2)中，所有AGV都是从仓库出发，最后完成任务返回仓库；对于每个AGV来说，都是通过将距离当前任务单元最近的任务单元作为下一个服务的任务单元，如果符合AGV载重约束和任务单元的时间窗约束，则将其插入到AGV路线中，直到所有任务单元分配完成为止。
4.如权利要求1所述求解矩阵制造车间多自动轨道小车上料调度问题的人工蜂群算法，其特征在于：在所述的步骤31中，种群初始化策略是从平衡初始解的优质性和多样性角度出发，利用改进最近邻启发式算法，获得一个高质量的初始解，利用随机生成的方法生成剩余初始解。
5.如权利要求1所述求解矩阵制造车间多自动轨道小车上料调度问题的人工蜂群算法，其特征在于：在所述的步骤32中，邻域算法在雇佣蜂阶段和观察蜂阶段随机采用合并邻域算子、路线内插入邻域算子、路线间插入邻域算子、路线内交换邻域算子和路线间交换邻域算子中的任意一种进行邻域搜索，来获取更高质量的解。
6.如权利要求1所述求解矩阵制造车间多自动轨道小车上料调度问题的人工蜂群算法，其特征在于：在所述的步骤33中，利用基于随机插入的局部搜索方法，生成一个较好的解来替换种群中未改进次数最多的解，从而节约经典人工蜂群算法中随机生成的解进化成优质解的运算时间。
CN202010881510.XA 2020-08-27 2020-08-27 求解矩阵制造车间多自动轨道小车上料调度问题的人工蜂群算法 Active CN112149876B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010881510.XA CN112149876B (zh) 2020-08-27 2020-08-27 求解矩阵制造车间多自动轨道小车上料调度问题的人工蜂群算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010881510.XA CN112149876B (zh) 2020-08-27 2020-08-27 求解矩阵制造车间多自动轨道小车上料调度问题的人工蜂群算法

Publications (2)

Publication Number Publication Date
CN112149876A true CN112149876A (zh) 2020-12-29
CN112149876B CN112149876B (zh) 2023-07-18

Family

ID=73889953

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010881510.XA Active CN112149876B (zh) 2020-08-27 2020-08-27 求解矩阵制造车间多自动轨道小车上料调度问题的人工蜂群算法

Country Status (1)

Country Link
CN (1) CN112149876B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113822588A (zh) * 2021-09-28 2021-12-21 聊城大学 基于离散的人工蜂群进化的自动导向车辆调度方法
CN117455199A (zh) * 2023-12-21 2024-01-26 聊城大学 基于变邻域搜索算法求解矩阵制造车间agv调度的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106251009A (zh) * 2016-07-27 2016-12-21 清华大学 一种求解有时间窗的车辆路径问题的优化算法
CN106650058A (zh) * 2016-12-08 2017-05-10 南京航空航天大学 一种基于改进人工蜂群算法的协同电子干扰任务调度方法
CN109707610A (zh) * 2019-03-11 2019-05-03 成都九鼎瑞信科技股份有限公司 一种水泵智能调度方法
CN110263970A (zh) * 2019-05-14 2019-09-20 上海大学 一种求解自动轨道小车上料调度问题的混合离散人工蜂群算法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106251009A (zh) * 2016-07-27 2016-12-21 清华大学 一种求解有时间窗的车辆路径问题的优化算法
CN106650058A (zh) * 2016-12-08 2017-05-10 南京航空航天大学 一种基于改进人工蜂群算法的协同电子干扰任务调度方法
CN109707610A (zh) * 2019-03-11 2019-05-03 成都九鼎瑞信科技股份有限公司 一种水泵智能调度方法
CN110263970A (zh) * 2019-05-14 2019-09-20 上海大学 一种求解自动轨道小车上料调度问题的混合离散人工蜂群算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈少，吉卫喜: ""改进人工蜂群算法求解柔性作业车间调度问题"", 《组合机床与自动化加工技术》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113822588A (zh) * 2021-09-28 2021-12-21 聊城大学 基于离散的人工蜂群进化的自动导向车辆调度方法
CN113822588B (zh) * 2021-09-28 2023-12-19 聊城大学 基于离散的人工蜂群进化的自动导向车辆调度方法
CN117455199A (zh) * 2023-12-21 2024-01-26 聊城大学 基于变邻域搜索算法求解矩阵制造车间agv调度的方法
CN117455199B (zh) * 2023-12-21 2024-03-22 聊城大学 基于变邻域搜索算法求解矩阵制造车间agv调度的方法

Also Published As

Publication number Publication date
CN112149876B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
Zou et al. An effective iterated greedy algorithm for solving a multi-compartment AGV scheduling problem in a matrix manufacturing workshop
CN111882215B (zh) 一种含有agv的个性化定制柔性作业车间调度方法
CN112561194B (zh) 一种混合流水车间生产与物流集成调度方法及系统
CN107727099A (zh) 一种工厂内物料运输多agv调度及路径规划方法
CN107831745A (zh) 一种柔性作业车间插单动态调度优化方法
CN113822588B (zh) 基于离散的人工蜂群进化的自动导向车辆调度方法
CN112149876A (zh) 求解矩阵制造车间多自动轨道小车上料调度问题的人工蜂群算法
CN111091238A (zh) 一种自动化集装箱码头agv智能化调度方法
CN112488606B (zh) 一种生产物流智能优化和自动调度系统
CN114610015A (zh) 一种带搬运机器人的柔性作业车间动态调度方法及装置
CN105974891B (zh) 一种基于动态看板的模具生产过程自适应控制方法
CN114707294B (zh) 有限运输能力约束的作业车间多目标调度方法
CN110554673B (zh) 智能rgv加工系统调度方法和装置
CN113359702B (zh) 一种基于水波优化-禁忌搜索的智能仓库agv作业优化调度方法
CN110263970B (zh) 一种求解自动轨道小车上料调度问题的混合离散人工蜂群算法
CN112801484B (zh) 一种考虑配料误差的物料配送调度方法和系统
CN110750079A (zh) 一种允许工序跳跃的混合流水车间调度优化方法
CN116224926A (zh) 面向单件小批柔性制造车间的动态调度优化方法及装置
CN116258308A (zh) 一种基于混合遗传算法的动态柔性作业车间调度方法
CN115319742A (zh) 带机器人物料搬运的柔性制造单元作业调度方法
CN116451888B (zh) 基于多agv的柔性生产车间协同调度的方法
CN113050644A (zh) 基于迭代贪婪进化的agv调度方法
CN114757591B (zh) 基于行为依赖图的多车型协同分拣调度方法
Zhang et al. Design and optimization of AGV scheduling algorithm in logistics system based on convolutional neural network
Zhang et al. An effective iterated greedy algorithm for multi-AGVs dispatching problem in material distribution

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant